人脸因其面部特征的稳定性给身份识别带来了方便,但是,微整容后的人脸五官特征会发生一定程度的变化,微整容在日常生产中给人脸识别技术带来了新的挑战。若在身份验证时,待识别的微整容人脸图像特征与数据库中相关证件上的人脸图像特征存在差异时,会导致身份验证错误,给需要进行身份验证机构的工作带来了诸多不便。为此,本文针对微整容后的人脸识别的问题,主要从三方面进行研究:自制相关微整容人脸图像数据集,选取适合的损失函数及改进,改进网络结构。改善数据集、优化损失函数和改进网络结构,是突破人脸识别瓶颈的三大法宝。在深度学习中研究样本数量要足够多,类别要丰富,保证特征多样化。选取适当的损失函数,可以减少与预期值之间的误差,会直接影响类间或类内的分类结果。网络结构的改进可以从多方面直接提高模型的性能。在重化妆人脸识别和跨年龄人脸识别等研究工作的基础上,针对微整容人脸识别正确识别率低等问题,本文主要做了以下几方面的工作及创新:（1）首先针对微整容人脸识别困难问题,自制了原型微整容人脸图片数据集PMP和模拟微整容人脸图片数据集SMP小型数据集,PMP数据集样本主体主要以承认过面部微整容的中国明星为主,均采集每个样本的整容前后图片。SMP数据集样本主要是通过对未整容的原人脸的面部器官进行不同程度的模拟整容,最终获得模拟微整容后的人脸。（2）针对微整容后（小幅度突变特征）人脸导致验证分类界限模糊的问题,提出了在Arcface Loss基础上改进的人脸识别损失函数Arcface-f Loss,以便降低预期值与真实值之间的误差,从而提高模型对微整容人脸的正确识别率。（3）将卷积神经网络卷积提取细致特征的优势,与自我注意力机制提取长距离特征关联度的优势融合到一起,获得了鲁棒性更好的网络模型。